如何利用機器學習識別加密項目風險？_SHI

加密貨幣和監管的必要性

加密貨幣是一種存在于數字世界的交易媒介，依靠加密技術使交易安全。加密貨幣背后的技術允許用戶直接向他人發送貨幣，而不需要通過第三方，如銀行。為了進行這些交易，用戶需要設置一個數字錢包，而不需要提供身份證號碼或信用評分等個人細節，因此可以讓用戶偽匿名。

對于普通的加密貨幣用戶來說，這種匿名性可以讓他們放心，因為他們的個人信息或交易數據不會被黑客竊取。然而，這種交易匿名性的提高，也容易被犯罪分子濫用，進行洗錢、恐怖融資等非法活動。這種非法活動給區塊鏈錢包用戶以及加密貨幣實體都造成了巨大的損失。雖然金融行動特別工作組等監管機構已經在這些實體的監管中引入了標準化的指導方針，但由于每天都有大量的加密貨幣實體和交易發生，監控加密貨幣空間是一項具有挑戰性的任務。

解決方案

因此，人們有興趣利用開源信息，例如新聞網站或社交媒體平臺，來識別可能的安全漏洞或非法活動。在與LynxAnalytics的合作中，我們已經致力于開發一個自動工具，以刮取開源信息，預測每篇新聞文章的風險分數，并標記出風險文章。這個工具將被整合到Cylynx平臺中，這是LynxAnalytics開發的一個工具，用于幫助監管機構通過使用各種信息源監控區塊鏈活動。

數據：Linea主網已轉入6325枚ETH:7月21日消息，根據Dune上查詢數據顯示，Linea主網已轉入6325枚ETH，獨立地址數達26789個，僅進行了一次交互的地址數為23998個。[2023/7/21 15:50:14]

開源信息的數據獲取

我們確定了3類開源數據，這些數據可以提供有價值的信息，幫助檢測加密貨幣領域的可疑活動。這些類別是：

傳統的新聞網站，如谷歌新聞，它將報告重大的黑客事件。

加密貨幣專用新聞網站，如Cryptonews和Cointelegraph，它們更有可能報道小型實體和小型安全事件的新聞。

社交媒體網站，如Twitter和Reddit，在官方發布黑客新聞之前，加密貨幣所有者可能會在那里發布有關黑客的消息。

Web3支付公司Slash去年完成150萬美元種子輪融資，現已啟動A輪融資:金色財經報道，Web3支付公司Slash在去年熊市期間完成150萬美元種子輪融資，MZWeb3Fund和幾位私人投資者參投，這筆交易直到最近才被公開。據悉該公司表示正在進行A輪融資，但融資規模和參投方暫未披露。

Slash Web3 Payments目前支持至少6種不同協議的1400多種代幣，該支付服務不會向商家收取任何“服務安裝費”或交易費。（EINPresswire.com）[2023/2/13 12:03:19]

檢索文章和社交媒體帖子的內容，然后建立情緒分析模型。該模型為文章中提到的實體分配了一個風險活動的概率。

情緒分析模型

我們嘗試了四種不同的自然語言處理工具進行情緒分析，即VADER、Word2Vec、fastText和BERT模型。在通過選定的關鍵指標對這些模型進行評估后，RoBERTa模型表現最佳，被選為最終模型。

韓國法院駁回對Terra聯合創始人Daniel Shin的逮捕令:金色財經報道，韓國法院駁回了對Terra聯合創始人、Chai Corporation前首席執行官Shin Hyun-seung（又名Daniel Shin）的逮捕令。韓國此前已對Do Kwon發出了逮捕令，目前他下落不明，Terraform Labs的主要人員和前雇員已被禁止離開該國。

據報道，Daniel Shin和其他七名Terra高管于周五上午在韓國出席了一場法庭聽證會，該聽證會旨在決定對這八人發出逮捕令的請求。據檢察官稱，Shin涉嫌通過LUNA非法獲利超過1400億韓元（約合1.07億美元），并濫用Chai Corporation用戶的私人信息宣傳Terra-Luna，Shin否認了這些指控，稱他在價格飆升之前賣掉了超過70%的Luna股份，并且在5月份崩盤期間仍然持有大量LUNA。（韓聯社）[2022/12/3 21:19:31]

RoBERTa模型對新聞文章或社交媒體帖子的文本進行處理，并為特定文本分配一個風險分數。由于該文本在數據收集過程中已經被標記為實體，我們現在已經有了加密實體的相關風險指標。在后期，我們將多個文本的風險分數結合起來，給出一個實體的整體風險分數。

報告：2030年代幣化非流動資產總規模或超16萬億美元:金色財經報道，根據波士頓咨詢集團 (BCG)和ADDX發布的最新報告顯示，預計到2030年，代幣化非流動資產的總規模可能達到 16.1 萬億美元，非流動資產主要包括上市前股票、房地產、私人債務、中小企業收入、實物藝術品、異國情調的飲料、私人基金、批發債券等。

根據該報告，鏈上資產代幣化市場規模在2021年超過23億美元，預計到2026年可以達到56億美元。此外，數據顯示過去兩年中，全球數字資產日交易量已從2020年的300億歐元飆升至2022年的1500億歐元。（cointelegraph）[2022/9/13 13:25:51]

RoBERTa原本是一個使用神經網絡結構建立的情感分析模型，我們將最后一層與我們標注的風險分數進行映射，以適應風險評分的環境。為了提高模型在未來文本數據上的通用性，我們進行了幾種文本處理方法，即替換實體、刪除url和替換hash。然后我們使用這個表現最好的模型進行風險評分。

觀點：以太坊“合并”后gas費用不會降低，但Staking收益會大幅增加:金色財經報道，據DeFi交易員Vivek Raman在社交媒體分析稱，與許多人預期的不同，以太坊“合并”后gas費用并不會降低。Vivek Raman解釋說，以太坊gas費用過高因為區塊需求增加，而不是因為“共識機制”，而“合并”的目標則是棄用以太坊工作量證明共識機制，因此用戶想要降低gas費用可以使用Layer 2來減少成本。此外，Vivek Raman預計“合并”后ETH Staking收益至少會增加50%，而目前的Staking收益約為4.2%，驗證者也能獲得交易費用收入。最新數據顯示，當前以太坊信標鏈總質押量已達到13,682,717 ETH，驗證者總量約為40.6萬。.[2022/7/14 2:11:44]

風險評分

現在，每篇文章都有一個相關的來源，一個風險概率和一個計數，指的是文章被轉發、分享或轉發的次數。為了將這些風險概率轉換為加密貨幣實體的單一風險得分，我們首先將文章的概率值縮放到0到100的范圍內，并獲得每個來源的加權平均值，結合文章的風險得分和計數。加權平均數用于對計數較高的文章給予更大的重視，因為份額數量很可能表明文章的相關性或重要性。

在計算出各來源的風險得分后，我們對各來源的風險得分進行加權求和，得到綜合得分，公式如下：

傳統的新聞來源被賦予了更高的權重，因為這些來源更有可能報道重大的安全漏洞。

該解決方案的有效性

我們在2020年1月1日至2020年10月30日的174個加密貨幣實體的名單上測試了我們的解決方案，并將結果與該時間段內的已知黑客案例進行了比較。我們發現，我們的風險評分方法表現相當出色，在37個已知的黑客案例中識別了32個。我們還分析了我們的解決方案對單個實體的有效性。下圖顯示了Binance從2020年1月1日至2020年10月30日的風險評分。虛線紅線代表已知的黑客案例。從圖中我們觀察到，我們的解決方案報告了5個已知黑客中的4個黑客的風險得分增加。也有幾個峰值與已知黑客案例不一致。然而，這并不構成一個主要問題，因為對我們的模型來說，更重要的是識別盡可能多的黑客，減少未識別的黑客數量。

有趣的發現

在風險評分過程中，我們注意到，與規模較小的實體相比，規模較大的實體的風險評分往往有較大比例的假陽性記錄。這是因為大型實體被談論得更多，因此會有更多的負面帖子和虛假謠言，從而導致更高的不準確率。

另一個值得強調的有趣趨勢是，圍繞著黑客攻擊通常有幾個明顯的高峰。這是由于不同數據源的反應時間不同。社交媒體網站Twitter和Reddit通常是第一個看到高風險事件發生時的高峰，因為用戶會發帖提出他們觀察到的異常情況，比如一個實體的網站在沒有事先通知用戶的情況下宕機。官方消息一般是在官方聲明之后，稍后才會發布。

局限性

我們發現，我們的解決方案有兩個潛在的局限性，首先是需要不斷地維護收集器。網站設計可能會隨著時間的推移而改變，這些網站的刮擦器需要更新，以確保相關信息仍能被檢索到，從而達到風險評分的目的。

第二個限制是，驗證一篇文章是否已被正確地標記為加密貨幣實體是具有挑戰性的。例如，一篇報道Bancor可疑活動的文章可能也會因為一個不相關的事件提到Binance。我們的解決方案會錯誤地將新聞標記為兩個實體，并將Binance標記為風險，即使它不是文本中的關鍵主題。然而，這并不是一個主要的限制，因為我們只使用新聞文章的標題和摘錄來進行風險評分，這通常只包含文章的關鍵信息。

結語

我們的項目讓監管機構可以輕松挖掘開源信息，更好地識別加密貨幣領域發生的風險事件。我們提供了一個分析文章并預測風險分數的語言模型，以及根據實體和來源信息匯總這些分數的方法。這些方法都被編織成一個可以端到端運行的自動化流水線。將該項目整合到Cylynx平臺中，將對其現有功能進行補充，并為監管機構識別高風險加密貨幣實體提供巨大的幫助。

來源：金色財經

Tags：加密貨幣TERSHISHIN加密貨幣怎么交易Router ProtocolSHI3LDSHINZ幣

Gateio